Madhani Gokma Hot Aritonang; Reynaldi Valentino Parangin angin; Raymond Hosea Tambunan; Ronauli Simatupang; Saut Dohot Siregar

doi:10.35315/dinamik.v30i2.10306

Madhani Gokma Hot Aritonang Universitas Prima Indonesia
Reynaldi Valentino Parangin angin Universitas Prima Indonesia
Raymond Hosea Tambunan Universitas Prima Indonesia
Ronauli Simatupang Universitas Prima Indonesia
Saut Dohot Siregar

DOI: https://doi.org/10.35315/dinamik.v30i2.10306

Abstract

Penyakit jantung merupakan salah satu penyakit dengan angka kematian tertinggi di negara maju bahkan dunia. Penyakit jantung dapat mengancam jiwa jika tidak ditangani dengan serius. Jumlah penderita penyakit jantung meningkat setiap tahunnya. Penyakit jantung dapat disebabkan oleh beberapa faktor, yang utama adalah konsumsi alkohol berlebihan, kebiasaan merokok, dan faktor keturunan. Penelitian ini bertujuan untuk memprediksi dan mencegah penyakit jantung sejak dini menggunakan algoritma pembelajaran mesin, yaitu regresi logistik. Data yang digunakan untuk pelatihan dan pengujian algoritma regresi logistik sebanyak 1.190 data, yang terbagi menjadi 80% data pelatihan dan 20% data pengujian. Hasil pengujian menunjukkan bahwa model dapat memprediksi dengan akurasi sebesar 86%. Setelah model dibuat, model tersebut diimplementasikan ke dalam situs web. Penelitian ini diharapkan dapat berkontribusi pada diagnostik yang dapat membantu deteksi dini penyakit jantung.

References

[1] G. Sugendran and S. Sujatha, “Earlier identification of heart disease using enhanced genetic algorithm and fuzzy weight based support vector machine algorithm,” Meas. Sensors, vol. 28, no. June, p. 100814, 2023, doi: 10.1016/j.measen.2023.100814.
[2] M. S. Pathan, A. Nag, M. M. Pathan, and S. Dev, “Analyzing the impact of feature selection on the accuracy of heart disease prediction,” Healthc. Anal., vol. 2, no. February, p. 100060, 2022, doi: 10.1016/j.health.2022.100060.
[3] P. Butarbutar, D. M. Midyanti, and T. Rismawan, “Implementasi Jaringan Syaraf Tiruan Menggunakan Metode Elman Recurrent Neural Network Untuk Prediksi Penyakit Jantung Koroner,” Coding J. Komput. dan Apl., vol. 10, no. 01, p. 103, 2022, doi: 10.26418/coding.v10i01.52723.
[4] S. Mohapatra, S. Maneesha, P. K. Patra, and S. Mohanty, “Heart Diseases Prediction based on Stacking Classifiers Model,” Procedia Comput. Sci., vol. 218, no. 2022, pp. 1621–1630, 2022, doi: 10.1016/j.procs.2023.01.140.
[5] D. H. Depari, Y. Widiastiwi, and M. M. Santoni, “Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung,” Inform. J. Ilmu Komput., vol. 18, no. 3, p. 239, 2022, doi: 10.52958/iftk.v18i3.4694.
[6] S. P. Patro, G. S. Nayak, and N. Padhy, “Heart disease prediction by using novel optimization algorithm: A supervised learning prospective,” Informatics Med. Unlocked, vol. 26, 2021, doi: 10.1016/j.imu.2021.100696.
[7] A. Ishaq et al., “Improving the Prediction of Heart Failure Patients’ Survival Using SMOTE and Effective Data Mining Techniques,” IEEE Access, vol. 9, pp. 39707–39716, 2021, doi: 10.1109/ACCESS.2021.3064084.
[8] M. A. Jassim and S. N. Abdulwahid, “Data Mining preparation: Process, Techniques and Major Issues in Data Analysis,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1090, no. 1, p. 012053, 2021, doi: 10.1088/1757-899x/1090/1/012053.
[9] K. M. Kaka-Khan, H. Mahmud, and A. A. Ali, “Rough Set-Based Feature Selection for Predicting Diabetes Using Logistic Regression with Stochastic Gradient Decent Algorithm,” UHD J. Sci. Technol., vol. 6, no. 2, pp. 85–93, 2022, doi: 10.21928/uhdjst.v6n2y2022.pp85-93.
[10] X. Wang, W. Yu, Z. Ding, X. Zhai, and S. Saha, “Modeling and Analyzing of Breast Tumor Deterioration Process with Petri Nets and Logistic Regression,” Complex Syst. Model. Simul., vol. 2, no. 3, pp. 264–272, 2022, doi: 10.23919/CSMS.2022.0016.
[11] A. Sepharni, I. E. Hendrawan, and C. Rozikin, “Klasifikasi Penyakit Jantung dengan Menggunakan Algoritma C4.5,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 7, no. 2, p. 117, 2022, doi: 10.30998/string.v7i2.12012.
[12] A. Carolina Wibowo, S. Ardi Lestari, and N. Nurchim, “Analisis Penggunaan Machine Learning Dalam Klasifikasi Penentuan Penyakit Jantung,” Simtek J. Sist. Inf. dan Tek. Komput., vol. 9, no. 2, pp. 97–101, 2024, doi: 10.51876/simtek.v9i2.395.
[13] N. Juniar, “Studi literatur: Pengaruh self regulated learning terhadap prestasi belajar siswa,” Jendela J. Pendidik. Elabor. Athirah, vol. 1, no. 1, pp. 17–24, 2024.
[14] H. El Massari, Z. Sabouri, S. Mhammedi, and N. Gherabi, “Diabetes Prediction Using Machine Learning Algorithms and Ontology,” J. ICT Stand., vol. 10, no. 2, pp. 319–338, 2022, doi: 10.13052/jicts2245-800X.10212.
[15] R. Rafique, R. Gantassi, R. Amin, J. Frnda, A. Mustapha, and A. H. Alshehri, “Deep fake detection and classification using error-level analysis and deep learning,” Sci. Rep., vol. 13, no. 1, pp. 1–13, 2023, doi: 10.1038/s41598-023-34629-3.
[16] S. Farhadpour, T. A. Warner, and A. E. Maxwell, “Selecting and Interpreting Multiclass Loss and Accuracy Assessment Metrics for Classifications with Class Imbalance: Guidance and Best Practices,” Remote Sens., vol. 16, no. 3, pp. 1–22, 2024, doi: 10.3390/rs16030533.
[17] V. Umarani, A. Julian, and J. Deepa, “Sentiment Analysis using various Machine Learning and Deep Learning Techniques,” J. Niger. Soc. Phys. Sci., vol. 3, no. 4, pp. 385–394, 2021, doi: 10.46481/jnsps.2021.308.
[18] S. Chavan, J. Gundakaram, S. Dyuti Vaishnavi, S. Prasad, and K. Deepa, “Real-Time Data Extraction and Prediction of Cryptocurrency,” IEEE Access, vol. 12, no. October, pp. 186703–186709, 2024, doi: 10.1109/ACCESS.2024.3513034.
[19] N. Sonti, A. Rambabu, B. P. C. Nayak, M. K. Rao, and S. M. Hussain, “Sentiment Analysis Of Brand Reviews Using TextBlob And Streamlit,” Metall. Mater. Eng., 2025.

Implementasi Algoritma Logistic Regression dalam Memprediksi Penyakit Jantung

Abstract

References